/ Модель

Характеристики

Лицензия
MIT
Опубликована
24 ноя 2025

newt

Обучение с подкреплением3 профессии

Newt — набор моделей обучения с подкреплением для генерации траекторий и непрерывного управления в широком наборе задач.

2 167скачиваний за 30 дней4лайкавеса обновлены9 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Newt — набор открытых контрольных точек моделей для непрерывного управления с подкреплением, разработанный Никласом Хансеном и коллегами из Калифорнийского университета в Сан-Диего. В релиз входят модели Newt и TD-MPC2, в том числе агент Newt, одновременно обученный на 200 задачах. Используются архитектуры TD-MPC2 и Newt; контрольные точки представлены в формате PyTorch.

Модели предназначены для воспроизведения результатов, генерации траекторий, обучения, дообучения и оценки одноцелевых и многозадачных агентов на задачах непрерывного управления. Обучение охватывает среды DMControl, Meta-World, ManiSkill3, MiniArcade, Atari и другие из набора задач MMBench. Для новых, не встречавшихся при обучении задач надёжное обобщение не ожидается без дообучения на данных целевой задачи. Лицензия — MIT.

Сценарии применения

  • генерация траекторий в задачах непрерывного управления
  • воспроизведение результатов экспериментов по обучению с подкреплением
  • оценка одноцелевых агентов в симуляторах
  • оценка многозадачных агентов на наборе задач
  • дообучение агента на данных новой задачи

Ограничения

Модели не рассчитаны на надёжное обобщение на невиданные при обучении задачи без дообучения на данных целевой задачи. Для работы требуется официальная реализация.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Newt

Official release of Newt model checkpoints for the paper

Learning Massively Multitask World Models for Continuous Control by

Nicklas Hansen, Hao Su*, Xiaolong Wang* (UC San Diego)

Quick links: [Website] [Paper] [Dataset]

Model details

We open-source 200+ model checkpoints, including a multi-task Newt agent trained on 200 tasks simultaneously. We are excited to see what the community will do with these models, and hope that our release will encourage other research labs to open-source their checkpoints as well. This section aims to provide further details about the released models.

Model description

  • Developed by: Nicklas Hansen (UC San Diego)
  • Model type: TD-MPC2 and Newt models trained on tasks from MMBench (DMControl, Meta-World, Maniskill3, MiniArcade, Atari, and more).
  • License: MIT

Model sources

Uses

As one of the first major releases of model checkpoints for reinforcement learning, use of our TD-MPC2 and Newt checkpoints is fairly open-ended. We envision that our checkpoints will be useful for researchers interested in training, finetuning, evaluating, and analyzing single-task and multitask models on any of the 200 continuous control tasks that we release models for. However, we also expect the community to discover new use cases for these checkpoints.

Direct use

Model checkpoints can be loaded using the official implementation, and then be used to reproduce our results and/or generate trajectories for any of the supported tasks.

Out-of-scope use

We do not expect our model checkpoints to reliably generalize to new (unseen) tasks as is. Such model usage will most likely require some amount of fine-tuning on target task data.

How to get started with the models

Refer to the official implementation for installation instructions and example usage.

Citation

If you find our work useful, please consider citing the paper as follows:

BibTeX:

@misc{Hansen2025Newt,
	title={Learning Massively Multitask World Models for Continuous Control}, 
	author={Nicklas Hansen and Hao Su and Xiaolong Wang},
	booktitle={Preprint},
	url={https://www.nicklashansen.com/NewtWM},
	year={2025}
}

Contact

Correspondence to: Nicklas Hansen

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
7eef11e

0 моделей